You are on page 1of 31

Berger, J. O., & Sun, D. (1993).

Bayesian analysis for the Poly-Weibull


distribution. Journal of the American Statistical Association, 88(424), 1412+.
Retrieved from
http://go.galegroup.com/ps/i.do?id=GALE%7CA185686515&v=2.1&u=espo
ch_cons&it=r&p=AONE&sw=w&asid=b465b8019a480aebedf8d04e90f7e87f

Completo de Texto:
En este anlisis Bayesian del artculo para un polivinlicoDistribucin de Weibull usando
priors informativos se discute. Esta distribucin se presenta tpicamente cuando los datos
son el mnimo de varias veces de fracaso de Weibull de riesgos competentes. Para realizar
los cmputos Bayesian, la simulacin usando el dechado de Gibbs se sugiere. Esto se puede
utilizar para encontrar momentos posteriores, la funcin de densidad marginal de
probabilidad posterior, y el riesgo o la confiabilidad proftico.

PALABRAS CLAVES: Inferencia Bayesian; BIDistribucin de Weibull; Competicin riesgos;


Dechado de Gibbs; densidades Registro-cncavas; Distribucin proftica.

1. PROBLEMA DEL BASIC

1,1 introduccin

El anlisis de los datos del curso de la vida es un rea muy activa en estadsticas tericas y
aplicadas. Se presenta en anlisis biomdico de la supervivencia y en anlisis de la calidad y
de confiabilidad. El modelo ms conocido y ms de uso general para analizar datos del curso
de la vida esDistribucin de Weibull, que generaliza la distribucin exponencial
permitiendo el aumento o disminuyendo ndices de fracaso. Desafortunadamente, incluso
este modelo es a menudo inadecuado, pues los ndices de fracaso del nonmonotone no son
infrecuentes en la prctica.

Muchos de los ndices de fracaso comnmente considerados del nonmonotone tienen formas
de la baera. Por ejemplo, Prentice (1975) introdujo una distribucin F generalizada; Hjorth
(el an o 80) propuso a una familia del tres-parmetro con el aumento de, disminuyendo, y
baera-form ndices de fracaso; Stacy (1982) consideraba a una familia gamma
generalizada; y Beetz (1982) y poseer, Subramanian, y Saunders (1986) consideraban
mezclas de distribuciones de Weibull. Una cuenta razonablemente completa de los modelos
para los ndices de fracaso baera-formados fue proporcionada por Rajarshi y Rajarshi
(1988). Para el rea relacionada del anlisis de valor extremo, el uso de una distribucin del
valor extremo del dos-componente (vase, por ejemplo, Arnell y Gabriela 1988 y Fiorentino,
Versace, y Rossi 1985) ha aparecido en la literatura hidrolgica. En este artculo eran
consideran la familia polivinlica-Weibull de distribuciones, que se presenta en los escenarios
de los riesgos competentes de Weibull, por ejemplo en los ejemplos siguientes.

Ejemplo 1,1 (en teora de confiabilidad). Suponga que el fracaso de un producto puede
ocurrir debido a una causa inicial (e.g., error de fabricacin) o una causa a largo plazo (e.g.,
wearout). Es con frecuencia razonable asumir que estas dos causas afectan al producto
independientemente y tienen (Weibull) W ([[theta] .sub.1], [.sub.1 [beta]]) y W ([[theta]
.sub.2], [.sub.2 [beta]]) las distribuciones. La poca de fracaso del producto es entonces el
mnimo de estos tiempos de fracaso (independientes), y la funcin resultante de la
confiabilidad (cdf 1-the) del producto es [EXPRESIN MATEMTICA NO REPRODUCTIVA EN
EL ASCII]. La distribucin correspondiente se llama el BIDistribucin de Weibull. Como
otro ejemplo, tirada, Goodrich, Hecht, y McCulum (1990) investig el comportamiento
mecnico de la cermica seleccionada del nitruro de silicio ([Si.sub.3], [N.sub.4]), que son
materiales del candidato para los motores de calor avanzados. Encontraron que en las
temperaturas altas, el tiempo al fracaso parece seguir un BIDistribucin de Weibull, con
crecimiento de grieta lento y acumulacin del dao que es las dos causas (de la
independiente) del fracaso.

Ejemplo 1,2 (riesgos competentes en anlisis de la supervivencia). Asuma que un paciente


puede morir debido a un movimiento o un ataque del corazn. Si los tiempos de
supervivencia bajo dos riesgos se asumen para ser independientemente W ([[theta] .sub.i],
[.sub.i [beta]]) distribuido, despus el tiempo de supervivencia paciente tiene un
BIDistribucin de Weibull. Mendenhall y Hader (1958) y $cox (1959) estn entre los
primeros autores que dirigieron riesgos competentes; $cox dio otros ejemplos donde se
presenta este tipo de distribucin. Para otras referencias referentes a riesgos competentes,
vea a David y Moeschberger (1978), y Basu y Klein (1982). Para la simplicidad, en este
artculo nosotros lengua de la confiabilidad de uso bastante que tentativa simultneamente a
la lengua de la confiabilidad de uso y del anlisis de la supervivencia.

La tarifa de peligro correspondiente a un BIDistribucin de Weibull es [EXPRESIN


MATEMTICA NO REPRODUCTIVA EN EL ASCII] la forma de la tarifa de peligro se determina
por [.sub.1 [beta]] y [.sub.2 [beta]]. Si es mximo ([.sub.1 [beta]], [.sub.2 [beta]]
[miembro de] (0, 1) (minuto ([.sub.1 [beta]] y [.sub.2 [beta]] > 1), entonces la tarifa de
peligro est disminuyendo (aumento). Si [.sub.1 [beta]] < 1 y [.sub.2 [beta]] > 1, entonces
la tarifa de peligro es tpicamente una curva de la baera. El cuadro 1 ilustra las funciones de
la confiabilidad del BI-Weibull y las tarifas de peligro para varias opciones de [.sub.1 [beta]]
en (0, 1) y [.sub.2 [beta]] adentro (1, [infinito]). Observe que si [.sub.1 [beta]] est
cercano a 0, despus la tarifa de peligro disminuye dramticamente en la regin del fracaso
inicial. (Vase Martz y Waller 1982, P. 81, para la definicin de la regin del fracaso inicial.)
Por lo tanto, se sabe tpicamente que [.sub.1 [beta]] y [.sub.2 [beta]] se limitan lejos de 0;
esto ser relevante en nuestra opcin posterior de la distribucin anterior.

[CUADRO 1 OMITIDO]

Por supuesto, ms de dos causas del fracaso o los riesgos competentes pueden ser
considerados. As consideraremos el modelo polivinlico-Weibull general.

1,2 el modelo polivinlico-Weibull

Suponga que un producto (o un sistema) consiste en m (([mayor o igual] 2) diversos


elementos. La edad (e.g., a tiempo, millas, ciclos, y as sucesivamente) del elemento del jth
es [X.sub.j], que tiene un Weibull, W ([[theta] .sub.j], [.sub.j [beta]]), distribucin con la
funcin de la confiabilidad [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]. Aqu
[[theta] .sub.j] est la vida caracterstica y [.sub.j [beta]] es el parmetro de la forma.
suponga que los elementos de m estn conectados en una serie y que no sabemos qu
elemento ha fallado cuando el sistema falla. (ste es a menudo el caso en contextos de la
confiabilidad, especialmente con datos del campo (segn lo opuesto, a experimental), pero
es quizs menos comn en contextos de la supervivencia.) As el fracaso ocurre en X =
minuto ([X.sub.1],, [X.sub.m]). Asuma que el fracaso de m envejece, [X.sub.1],,
[X.sub.m], sea independiente, de modo que sea la confiabilidad total del producto
[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] y la probabilidad del fracaso
antes de que t sea 1-R (t). Entonces X se dice para tener un polivinlicoDistribucin de
Weibull, y su densidad se da cerca

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] (1)


Cuando [.sub.j [beta]] el 's es igual, el polivinlicoDistribucin de Weibull es un
asiduo Distribucin de Weibull, y los parmetros [[theta] .sub.1],, [[theta] los .sub.m]
no sea identificable. Esto no es formalmente un problema para los anlisis Bayesian
comunes, porque las densidades anteriores continuas para [.sub.j [beta]] 'la probabilidad
dada s 0 a la igualdad del parmetro. La situacin puede ser considerablemente ms sutil en
la prctica, sin embargo. Por ejemplo, si uno asumi un modelo del BI-Weibull, solamente
los datos fueron generados realmente por un modelo del uni-Weibull, entonces la nica
separacin se induce en [[theta] .sub.1] y [[theta] .sub.2] el que est inherente en el
anterior. Esto no sera un problema para la prediccin de la confiabilidad, pero causara
problemas en inferencia sobre los parmetros. As si uno es inseguro en cuanto al nmero de
componentes, m, que comprende el modelo polivinlico-Weibull (es decir, si uno es inseguro
en cuanto al nmero de distinto [.sub.j [beta]] 's), la complejidad deductiva aumenta
considerablemente. No abordamos este problema aqu, si se asume que en lugar de otro que
m est sabido (al igual que a menudo el caso en riesgos competentes). Observe que el
problema de determinar un m desconocido es similar al problema notorio difcil de
determinar el nmero de componentes de una mezcla.

1,3 datos y estadsticas

Dejado [theta] = ([[theta] .sub.1],, [[theta] los .sub.m]) y [beta] = ([.sub.1 [beta]], [los
.sub.m [beta]]). Asuma que las unidades de r estn probadas independientemente, con sus
edades teniendo el pdf comn (1). Deje [t.sub.1],, [t.sub.n] sea los tiempos de fracaso
observados, y deje [t*.sub.1],, [t*.sub.r-n sea los tiempos observados en la prueba de las
unidades que todava no han fallado. La funcin de probabilidad entonces est

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] (2)

donde

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] (3)

Observe que no existen las suficientes estadsticas simples y que los acercamientos clsicos
al problema son difciles.

1,4 avance

Extensin del producto y de la adicin en (2) resultados en expresin con los trminos
[m.sub.n]. Por ejemplo, si m = 3 y n = 20, all es [3.sup.20] = 3, 486.784.399 trminos. El
cmputo va la extensin de la fuerza bruta no es as tpicamente posible. El propsito de
este artculo es mostrar cmo el anlisis Bayesian puede sin embargo ser hecho, usando un
acercamiento del muestreo de Gibbs. Con la introduccin de variables auxiliares y el uso del
muestreo registro-cncavo del rechazo, el anlisis es muy eficiente de cmputo.

La seccin 2,1 da las distribuciones anteriores que sern utilizadas y describe brevemente
mtodos de evaluacin anterior. Las secciones 2,2, 2,3, y 2,4 describen cmo utilizar el
muestreo de Gibbs para simular del trasero, y la seccin 2,5 discute la valoracin usando
estos valores simulados. La seccin 3 da los ejemplos numricos para un BIDistribucin de
Weibull, para ilustrar la eficacia del muestreo de Gibbs.

2. ANLISIS BAYESIAN VA EL MUESTREO DE GIBBS

2,1 la distribucin anterior

Asuma que [[theta] .sub.1],, [[theta] los .sub.m], dado [beta], sea independiente y que es
la densidad anterior [[theta] .sub.j] de dado [[theta] .sub.j]

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] (4)


donde [a.sub.j] > 0 y [b.sub.j] > 0. As [EXPRESIN MATEMTICA NO REPRODUCTIVA EN
EL ASCII] tiene la gamma inversa, J G ([a.sub.j], [b.sub.j]), distribucin. Entonces la
densidad comn de [theta], dada [beta], es [[pi] .sub.1] ([la theta]|[beta]) = [[producto]
los .sub.j=1.sup.m] [[pi] .sub.1j] ([[theta] .sub.j]|[.sub.j [beta]]). Adems, asuma que
[.sub.1 [beta]],, [los .sub.m [beta]] sea independiente y que [.sub.j [beta]] tiene densidad
[[pi] .sub.2j] ([.sub.j [beta]]). As la densidad anterior de [beta] es [[pi] .sub.2] ([beta]) =
[[producto] los .sub.j=1.sup.m] [[pi] .sub.2j] ([.sub.j [beta]]). La opcin del [a.sub.j],
[b.sub.j], y [[pi] .sub.2j] ser basada con frecuencia en conocimiento de la ingeniera o el
conocimiento de productos similares anteriores. No se requiere ninguna forma especfica
para [[pi] .sub.2j] pero, por las razones dadas en la seccin 1,1, l es razonable asumir que
la ayuda de [.sub.j [beta]] est requerida pero, por las razones dadas en la seccin 1,1, l es
razonable asumir que la ayuda de [.sub.j [beta]] est ([c.sub.j], [infinito]) para alguno fij
[c.sub.j] > 0. Esto ser vista para ser necesario por momentos posteriores existir.
Generalmente, el anlisis no es demasiado sensible a las opciones razonables del [c.sub.j].
Observe que cuando solamente los datos limitados estn disponibles, las respuestas pueden
depender perceptiblemente de la opcin de [[pi] .sub.2], de modo que el modelado
cuidadoso de la informacin subjetiva sobre [beta] sea importante. La suposicin de la
independencia anterior del [.sub.j [beta]] se podra debilitar (toda que es necesario es que la
densidad anterior condicional de [.sub.j [beta]] dado el otro [.sup.j [beta]] es registro-
cncava), solamente independencia es natural en ejemplos tales como sos en la seccin

1. Los priors de Noninformative no sern considerados aqu; los priors noninformative


estndar para el ordinario Distribucin de Weibull produccin incorrecta traseros en el
problema polivinlico-Weibull.

Porque la forma especfica en (4) se requiere para [[pi] .sub.1j], porque stos son priors
condicionales dados [.sub.j [beta]], l es til para enumerar los mtodos de sacar [a.sub.j] y
[b.sub.j] una vez que se ha especificado el anterior marginal.

Opcin 1: Especifique los primeros dos momentos marginales para [[theta] .sub.j]. Asuma
que [[MU] .sub.1j] y [[MU] .sub.2j] son los primeros y segundos momentos de [[theta]
.sub.j]. Porque [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII], entonces
[a.sub.j] y [b.sub.j] puede ser determinado solucionando las ecuaciones

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

Observe que existe una solucin solamente si [a.sub.j] > 2 [c.sub.j].

Opcin 2: Especifique dos cuantiles marginales de [[theta] .sub.j]. Observe que [EXPRESIN
MATEMTICA NO REPRODUCTIVA EN EL ASCII], donde [x.sub.2] (2 [a.sub.j]; .) es el cdf
[[ji]] de la distribucin .sup.2 con 2 grados [a.sub.j] de libertad. Si [q.sub.j] ([[alfa] .sub.1]
y [q.sub.j] ([[alfa] .sub.2] es [[alfa]] el cuantil .sub.2 de la distribucin marginal de [[theta]
.sub.j], despus [a.sub.j] y [b.sub.j] puede ser obtenida solucionando las ecuaciones [la
EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

Opcin 3: Especifique dos cuantiles profticos. Observe que es la confiabilidad proftica por
el tiempo componente de fracaso del jth

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

Si [q*.sub.j] ([[alfa] .sub.1] y [q*.sub.j] ([[alfa] .sub.2]) es [[alfa]] el cuantil .sub.1 y


[[alfa]] el cuantil .sub.2 de la distribucin proftica del componente del jth, despus [a.sub.j]
y [b.sub.j] puede ser obtenida solucionando las ecuaciones [la EXPRESIN MATEMTICA NO
REPRODUCTIVA EN EL ASCII]

2,2 notacin y variables auxiliares para el muestreo de Gibbs

Muestreo de Gibbs (descrito genricamente en apndice A), acta lo ms eficientemente


posible cuando todas las distribuciones condicionales completas de la distribucin del trasero
son simples. A travs de la introduccin de auxiliar las variables, la mayor parte de los
conditionals llenos sern simples. ste no ser el caso para las distribuciones condicionales
del [.sub.j [beta]], sin embargo. Para dirigir estos conditionals, ser necesario asumir que
[[pi] .sub.2j] [.sub.j [beta]] son las densidades anteriores registro-cncavas; es decir,
registre {[[pi] .sub.2j] [.sub.j [beta])} es cncavo en cuanto a [.sub.j [beta]]. La mayora de
las densidades de uso general son registro-cncavas. Por ejemplo, si [.sub.j [beta]] tiene
una distribucin de la gamma ([alfa], [MU]) ([alfa] [mayor o igual] 1), despus [[pi] .sub.2j
([.sub.j [beta]] es registro-cncavo. Para ms detalles sobre densidades registro-cncavas
comunes, vea el cuadro 2 de Gilks y de Wild (1990).

Para el muestreo eficiente de Gibbs, introducimos las variables al azar auxiliares siguientes.
Asuma que [t.sub.i] = minuto ([X.sub.il],, [X.sub.im], donde [X.sub.il],, [X.sub.im] (1
[inferior o igual] i [inferior o igual] n) es variables al azar independientes para dado [theta] y
[beta] y el ~W [X.sub.ij] ([[theta] .sub.j], [.sub.j [beta]]. As [X.sub.ij] puede ser
interpretado como (posiblemente sin realizar o no visto) la poca de fracaso para la unidad i,
debida arriesgar el J. Para 1 [inferior o igual] i [inferior o igual] n y 1 [inferior o igual] j
[inferior o igual] m, define [I.sub.ij] = I ([t.sub.i] = [X.sub.ij]), donde est la funcin I (*)
de indicador, y denota, [I.sub.i] = ([I.sub.i1],, [I.sub.im], I = ([I.sub.1],, [I.sub.n]),
[I.sub. (- i)] = {[I.sub.k]: 1 [inferior o igual] k [inferior o igual] n, k [igual a] i}, [X.sub.i] =
([X.sub.i1],, [X.sub.im]), X = ([X.sub.1],, [X.sub.n]), [X.sub. (- i)] = {[X.sub.k]: 1
[inferior o igual] k [inferior o igual] n, k [no igual a] j}, y [[theta] .sub. (- j)] = {[[theta]
.sub.k]: 1 [inferior o igual] k [inferior o igual] m, k [no igual a] j} = {[.sub.k [beta]]: 1
[inferior o igual] k [inferior o igual] m, k [no igual a] j}.

Hay dos maneras posibles de utilizar estas variables auxiliares:

1. Utilice los indicadores I = ([I.sub.1],, [I.sub.n] de la causa del fracaso como variables al
azar auxiliares. Deje x = (t, t*) y [XI] = ([theta], [beta], [I.sub.1],, [I.sub.n] (vase el
apndice), y muestree recurrentemente de las distribuciones condicionales [pi] ([[theta]
.sub.j]|t, t*, [[theta] .sub. (- j)], [beta], I,), [pi] ([.sub.j [beta]]|t, t*, [theta], [.sub [beta].
(- j)], I], y [pi] ([I.sub.i]|t, t*, [theta], [beta], [I.sub. (- i)).

2. Utilice los tiempos de fracaso competentes del riesgo X = ([X.sub.1],, [X.sub.n]) como
variables al azar auxiliares. Deje x = (t, t* y [XI] = ([theta], [beta], [X.sub.1],, [X.sub.n]),
y muestree recurrentemente de las distribuciones condicionales [pi] ([[theta] .sub.i]|t, t*,
[[theta] .sub. (- j)], [beta], X], [pi] (.sub [beta]. (- j)], X), y [pi] ([X.sub.i]|t, t*. [theta],
[beta], [X.sub. (- i)]).

Para nuestro problema, el primer mtodo es considerablemente ms eficiente que el


segundo. En las subdivisiones siguientes, las distribuciones condicionales usadas en el
dechado de Gibbs son mencionadas y estudiadas en la misma orden que estn simuladas en
el algoritmo. Particularmente, las densidades condicionales de [[theta] .sub.j] y [I.sub.i] y su
generacin se dan en la seccin 2,3, y la distribucin condicional registro-cncava de [.sub.j
[beta]] se demuestra en la seccin 2,4. La versin del muestreo del rechazo para una
funcin de densidad registro-cncava univariante de probabilidad que sea utilizada para
generar [.sub.j [beta]] se da en el apndice B.

2,3 distribuciones condicionales disponibles


Teorema 2,1. La densidad condicional de [[theta] .sub.j]. dado (t, t*, [[theta] .sub. (- j)],
[beta], I), es

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] (5)

donde S ([.sub.j [beta]] es dado por (3) y [N.sub.j] = [[SIGMA] .sub.i=j.sup.n] [I.sub.ij].

Prueba. Vea el apndice C.

El lado derecho de (5) no depende de [[theta] .sub. (- j)] y .sub [beta]. (- j), y la
distribucin condicional de [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII],
dada (t, t *, [[theta] .sub. (- j)], [beta], I), es JG ([a.sub.j] + [N.sub.j], S ([.sub.j [beta]])
+ [b.sub.j]). Por lo tanto, para simular una observacin de la densidad (5), primero genere
una variable al azar Y del gamma ([a.sub.j] + [N.sub.j], 1) distribucin; entonces
[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] tiene la densidad deseada.

Una discusin similar a sa en la prueba del teorema 2,1 rinde el teorema siguiente.

Teorema 2,2. La densidad condicional de [I.sub.i] (en cuanto a medida de cuenta), dada (t,
t*, [theta], [beta], [I.sub. (- i)]), es

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] (6)

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

La simulacin de una observacin de la distribucin discreta (6) es fcil.

2,4 densidades condicionales del 's [beta]

Teorema 2,3. La densidad condicional de [.sub.j [beta]], dada (t, t *, [theta], [.sub [beta].
(- j), I], es registro-cncavo.

Prueba. Vea el apndice C.

Wilks y Wild (1990) utilizaron una versin adaptante del muestreo del rechazo para simular
de un trasero condicional registro-cncavo en el muestreo de Gibbs. Encontramos una
versin algo diferente del rechazo el muestrear para ser ms eficaces aqu; esta versin se
describe en el apndice B. Una manera fcil de muestrear una variable al azar de una
densidad por trozos exponencial tambin se da. Junto, estos algoritmos permiten el
muestrear de la densidad condicional [pi] ([.sub.j [beta]]|t, t*, I, [theta], [.sub [beta]. (-
j)]).

2,5 valoracin usando la muestra de Gibbs

Ahora enumeramos las estimaciones de las diversas cantidades posteriores desarrolladas de


la muestra de Gibbs. Estas estimaciones siguen de las expresiones genricas en el apndice
A.

Suponga que ([[theta] .sub.k, j], 1 [inferior o igual] m; [.sub.k [beta], j,] 1 [inferior o igual]
m; [I.sub.k, ij,] 1 [inferior o igual] i [inferior o igual] n, 1 [inferior o igual] j [inferior o igual]
m), k = 1,, M, es las muestras obtenidas del dechado de Gibbs. Entonces el medio y la
variacin posteriores de [[theta] .sub.j] estn aproximadamente cerca [EXPRESIN
MATEMTICA NO REPRODUCTIVA EN EL ASCII] y [EXPRESIN MATEMTICA NO
REPRODUCTIVA EN EL ASCII] la covariacin posterior de [[theta] .sub.j] y [[theta] .sub.j],
es [^.cov] ([[theta] .sub.j], son [^.cov] ([[theta] .sub.j], [theta] .sub.j],|datos) = 1 (M -
[M.sub.1)

Anterior marginal del cuadro 1. y momentos posteriores de ([[theta.sub.1], [[theta]


.sub.2])

Momentos anteriores Momentos posteriores

E ([[theta] .sub.1]) 3.001,52 E ([[theta] .sub.1]|datos) 1.024,08

E ([[theta] .sub.2]) 4.005,30 E ([[theta] .sub.2]|datos) 3.350,90

[raz cuadrada 7.500,62 [raz cuadrada de 467,01 de


var ([[theta] .sub.1]|datos)]
var ([[theta] .sub.1])]

[[raz cuadrada 6.511,45 [raz cuadrada de 1.901,26 de


(trmino)] var ([[theat] .sub.2]|datos)]
var ([[theta] .sub.2])]

cov ([[theta] .sub.1], 0 cov ([[theta] .sub.1], -282.586,2 [[theta]


.sub.2]) [[theta] .sub.2]|datos)

corr ([[theta] .sub.1], 0 corr ([[theta] .sub.1], -0,3183 [[theta]


.sub.2]) [[theta] .sub.2]|datos)
[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] la densidad marginal de
[[theta] .sub.j] se puede estimar cerca

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

donde [N.sub.k, j] = [[SIGMA] .sub.i=l.sup.n] [I.sub.k, ij]. La funcin proftica de la


confiabilidad se estima cerca

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

3. EJEMPLOS NUMRICOS

Para juzgar la eficacia del muestreo de Gibbs, damos un ejemplo numrico.

Ejemplo 3,1. Considere la caja de un BIDistribucin de Weibull con desconocido [.sub.1


[beta]] y [.sub.2 [beta]]. La informacin anterior indica que [.sub.1 [beta]] est en medio. 1
y. 9, con .5 consideraban el valor ms probable (modo), y que el valor ms probable
para [.sub.2 [beta]] es 2,0. El anterior para [.sub.1 [beta]] y [.sub.2 [beta]] es modelado si
se asume que ([.sub.1 [beta]] - .1)/(.9 -.1) tiene (15, 15) la distribucin beta y,
independientemente, [.sub.2 [beta]] - 1 es (15, 14) la distribucin gamma. Los
anteriormente primeros y segundos momentos para [[theta] .sub.1] y [[theta] .sub.2] se
especifican para ser [[MU] .sub.11] = 3.000, [[MU] .sub.12] = 65.250.000 y [[MU] .sub.21]
= 4.000, [[MU] .sub.22] = 58.400.000. Entonces, usando la opcin 1 en la seccin 2,1, sigue
que, porque dado [.sub.1 [beta]] y [.sub.3 [beta]] [EXPRESIN MATEMTICA NO
REPRODUCTIVA EN EL ASCII] es la distribucin inversa de la gamma ([a.sub.1] = 30,
[b.sub.1] = 888), y [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] es la
distribucin inversa de la gamma ([a.sub.2] = 10, [b.sub.2] = 64.000.000). Los datos
siguientes que se analizarn se simulan del BIDistribucin de Weibull con [[theta] .sub.1]
= 1.000, [.sub.1 [beta]] = .6, [[theta] .sub.2] = 3.200, y [.sub.2 [beta]] = 1,6:

25,02, 2.158,62, 572,96, 2.067,26, 3.055,91, 1.104,29,


391,00, 792,63, 1.939,63, 168,21, 848,94, 600,70, 232,44,

652,30, 231,83, 536,38, 204,73, 582,95, 472,04, 148,38,

6,06, 2.980,34, 16,52, 101,13, 1,96, 3.885,09, 118,86,

44,42, 34,77, 854,92, 1.076,03, 85,34, 194,34, 5.571,00,

398,72, 1.594,93, 54,14, 1,65, 2.356,66, 4.401,68.

Los momentos anteriores y posteriores de ([[theta] .sub.1], [[theta] .sub.2]) se dan en el


cuadro 1. Las densidades anteriores y posteriores marginales correspondientes se comparan
en el cuadro 2. Los momentos anteriores y posteriores para ([.sub.1 [beta]], [.sub.2 [beta]])
y las densidades anteriores y posteriores marginales correspondientes se comparan en el
cuadro 2 y el cuadro 3. La confiabilidad proftica se da en el cuadro 4. en este caso, nosotros
encontr 2.000 iteraciones del dechado de Gibbs para ser muy satisfactoria alcanzar la
convergencia de estas cantidades posteriores.

Cuadro 2. anteriormente y momentos posteriores de ([.sub.1 [beta]] [.sub.2 [beta]])

Distribucin anterior Distribucin posterior

E ([.sub.1 [beta]]) .50000 E ([.sub.1 [beta]]|datos) .57142

E ([.sub.2 [beta]]) 2,07143 E ([.sub.2 [beta]]|datos) 1,69199

[squore.root de (var .07184 [squore.root de (var .03585 ([.sub.1


[beta]]))] ([.sub.1 [beta]]|datos))]

[squore.root de (trmino)] .27664 [squore.root de (var .08310 var


([.sub.2 [beta]]) ([.sub.2 [beta]]|datos))]

cov ([.sub.1 [beta]], 0 cov ([.sub.1 [beta]], -.00089 [.sub.2


[beta]]) [.sub.2 [beta]]|datos)

corr ([.sub.1 [beta]], 0 corr ([.sub.1 [beta]], -.29905 [.sub.2


[beta]]) [.sub.2 [beta]]|datos)
Debe ser mencionado que Gibbs que el muestreo puede necesitar substancialmente ms de
2.000 iteraciones cuando [beta] tiene un anterior bastante vago y el nmero de
observaciones es pequeo o cuando es seguro de [B.sub.j] sea casi igual. No parece haber
una regla para determinar por adelantado el nmero de las iteraciones necesarias para la
convergencia del dechado de Gibbs; vea a 'Geweke (1992), Raftery y Lewis (1992), y
Roberts (1992) para los mtodos de evaluar convergencia.

[CUADRO 2 OMITIDO]

[CUADRO 3 OMITIDO]

[CUADRO 4 OMITIDO]

APNDICE A: EL ESQUEMA DE MUESTREO DE GIBBS

Deje p ([XI] | x) sea una densidad posterior general con [XI] = ([XI],, [XI]) [miembro de]
[R.sub.d]. Estamos interesados en [integral] [florn] ([XI] p ([XI]| x) d [XI]. Suponga que las
distribuciones condicionales completas, [p.sub.i] ([XI] |x, [[XI] .sub.j], j [no igual a] i), est
disponible para muestrear. Geman y Geman (1984) introdujeron un algoritmo para computar
[integral] [florn] ([XI] p ([XI]| x) d [XI], designada el dechado de Gibbs. Su algoritmo, un
esquema de puesta al da markoviano, procede como sigue.

A partir de un sistema de cualquier valor inicial ([[XI] .sub.0, 1], [[XI] .sub.0, 2],, [[XI]
.sub.0, d]), genere [[XI] .sub.1, 1] de [p.sub.1] ([[XI] .sub.1]|x, [[XI] .sub.0, 2],, [[XI]
.sub.0, d]), entonces [[XI] .sub.1, 2] de [p.sub.2] ([XI]|x, [[XI] .sub.1, 1], [[XI] .sub.0,
3],, [[XI] .sub.0, d]), y as sucesivamente hasta [[XI] .sub.0, d] de [p.sup.d] ([XI] d|x,
[[XI] .sub.1, 1],, [[XI] .sub.1, d-1]. Entonces repita el proceso, usando [XI] .sub.1, 1],,
[[XI] .sub.1, 2],, [[XI] .sub.1, d]) como los valores iniciales. Iteracin Continue,
terminando con [[XI] .sub. M, 1], [[XI] .sub. M, 2],, [[XI] .sub. M, d]) despus de M tales
iteraciones. Bajo condiciones suaves, [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL
ASCII] aqu [M.sub.1]) est el tamao de muestra desechado del marcar a fuego. Adems,
la densidad marginal de [[XI] .sub.k] se puede estimar por la densidad finita de la mezcla
[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] que esto es llamada Rao-
negro-wellization por Gelfand y Smith (1990). Para otras discusiones del dechado de Gibbs,
vea el trabajo de Gelfand y Smith (1990), Casella y George (1992), Ritter y Tanner (1992), y
Roberts (1992).

APNDICE B: MUESTREO DE LA DENSIDAD CONDICIONAL DE [.sub.j [beta]]

Aqu presentamos un algoritmo para muestrear de la densidad [pi] ([.sub.j [beta]]|*) = [pi]
([[beta.sub.j]|t, t*, I, [theta], [.sub [beta]. (- j)]). El algoritmo no requiere la obtencin del
supremum de [pi] ([[beta.sub.j]|*). sta es una versin explcita del algoritmo del aceptar-
rechazo para muestrear de una densidad registro-cncava (Devroye 1986). Porque la
densidad anterior de [.sub.j [beta]] es registro-cncava, la ayuda [.sub.j [beta]] debe ser un
intervalo y se denota cerca ([c.sub.j], [d.sub.j]), donde 0 < [infinito] [de c.sub.j] [inferior o
igual] [d.sub.j] [inferior o igual]. Denote al lado derecho de (10) por h ([.sub.j [beta]]).
Entonces [pi] ([.sub.j [beta]] | .) iguala exp (h ([.sub.j [beta]])), hasta un constante de la
normalizacin.

* el paso 1. elige [s.sub.1] y [s.sub.3] de modo que h ([s.sub.1]) >0 > h ([s.sub.3]).
Observe que si seleccionado originalmente [s.sub.1] tiene h ([s.sub.1] [inferior o igual] 0,
uno puede substituir simplemente [s.sub.1] por ([c.sub.j] + [s.sub.1]) /2. Del lema 3,1,
[s.sub.1] con el h ([s.sub.3] >0 se puede encontrar en un nmero finito de tales pasos.
Semejantemente, [s.sub.3] el h satisfactorio ([s.sub.3]) <0 puede ser encontrado.

* clculo del paso 2. las cantidades siguientes:

[s.sub.2] = [h ([s.sub.3]) - h ([s.sub.1]) - h [s.sub.3] ([s.sub.3]) + h [s.sub.1]


([s.sub.1])]/[h ([s.sub.1]) - h ([s.sub.3])], [u.sub.k] = [h ([s.sub.k + 1]) - h ([s.sub.k]) -
[s.sub.k + 1] h ([s.sub.k + 1]) + h [s.sub.k] ([s.sub.k])]/[h ([s.sub.k]) - h ([s.sub.k + 1])],
k = 1,2,

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

donde [u.sub.0] = [c.sub.j] y [u.sub.3] = [d.sub.j]

* el paso 3. genera un valor U del uniforme (0, 1) distribucin y, genera independientemente


un valor X* de la funcin de densidad por trozos exponencial siguiente de probabilidad:

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

* el paso 4. define una funcin del sobre y una funcin que exprime cerca [EXPRESIN
MATEMTICA NO REPRODUCTIVA EN EL ASCII] y
[h.sub.L] (s) = [[h ([s.sub.2]) - h ([s.sub.1])]/[[s.sub.2] - [s.sub.1]]] s + [[[s.sub.2] h
([s.sub.1]) - [s.sub.1] h ([s.sub.2])]/[[s.sub.2] - [s.sub.1]]], si [s.sub.1] [inferior o igual] s
[inferior o igual] [s.sub.2], = [[h ([s.sub.3]) - h ([s.sub.2])]/[[s.sub.3] - [s.sub.2]]] s +
[[[s.sub.3] h ([s.sub.2]) - [s.sub.2] h ([s.sub.3])]/[[s.sub.3] - [s.sub.2]]], si [s.sub.2]
[inferior o igual] s [inferior o igual] [s.sub.3], = - [infinito], si no, (A.1)

respectivamente. Compute [h.sub.L] (X*) y [h.sub.U] (X*). Si U [mayor o igual] exp


([h.sub.L]) (X*) - [h.sub.U] (X*)), entonces deje [.sub.j [beta]] = X* si esto falla, vuelta al
paso 3.

[.sub.j [beta]] el .sub.j] generado en el paso 4 tiene la densidad condicional deseada, [pi]
([.sub.j [beta]]|t, t*.I, [theta], [betha] .sub. (- j). Un ejemplo de una funcin del sobre y de
una funcin que exprime se puede considerar de la figura A.1.

[FIGURA A.1 OMITIDA]

Observaciones

1. Sigue del lema 3,1 y del hecho ese h ([s.sub.1]) >0 >h ([S.sub.3]), se [c.sub.j] =
[u.sub.0] < [s.sub.1] < [u.sub.1] < [s.sub.2] < [u.sub.2] < [s.sub.3] < [u.sub.3] =
[d.sub.j] y [V.sub.1], [V.sub.2], [V.sub.3] >0.

2. En el paso 3, X* se puede generar por el esquema de dos etapas siguiente. Primero,


generan discreto al azar variable Z basado en densidad P (Z = k) = []/[de V.sub.k V.sub.1]
+ [V.sub.2] + [V.sub.3], k = 1, 2, 3. En segundo lugar, si Z = k generan el valor de X* de la
densidad [P.sub.k] (s), donde

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

Es fcil ver que si U* es un U (0, 1) variable al azar, despus [la EXPRESIN MATEMTICA
NO REPRODUCTIVA EN EL ASCII] tiene la densidad [p.sub.k] (*)

APNDICE C: PRUEBAS

Prueba del teorema 2,1. Porque [pi] ([theta] .sub.j]|t, [t*, [theta] .sub. (- j)], [beta], I) es
proporcional a

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

donde

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (A.2)

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (A.3)

5 sigue inmediatamente.

Prueba del teorema 2,3. Observe que la densidad condicional de .sub.j [beta]] dado (t, t*,
[theta], [.sub [beta]. (- j)], I), es proporcional a

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]

donde [f.sub.j] ([t.sub.i]|[[theta] .sub.j], [.sub.j [beta]] y 1 [F.sub.j] ([t.sub.i]|[[theta]


.sub.j], [sub.j beta]) se dan en (A.2) y adentro (A.3). As

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (A.4)

donde [N.sub.j] y S [.sub.j [beta]] se da en el teorema 2,1 y (3), y [EXPRESIN


MATEMTICA NO REPRODUCTIVA EN EL ASCII] el segundo derivado del segundo trmino
adentro (A.4) est
[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (A.5)

Esto es negativo, de modo que el segundo derivado del segundo trmino adentro (A.4) sea
registro-cncavo. El resultado sigue de la suposicin eso

[[pi] .sub.2j] ([.sub.j [beta]]) es registro-cncavos y el hecho de que el producto de


funciones registro-cncavas es registro-cncavo.

REFERENCIAS

Arnell, N.W., y Gabriela, S. (1988), el funcionamiento de la distribucin del valor extremo


del Dos-componente en anlisis de frecuencia regional de la inundacin, investigacin de los
recursos hdricos, 24, 879-887.

Basu, A., y Klein, J. (1982), un cierto reciente desarrollo en teora de riesgos de


competicin, en el anlisis de la supervivencia, eds. J. Crowley y R.A. Johnson, Hayward,
CA: IMS, pgs. 216-229.

Beety, C.P. (1982), anlisis de las distribuciones de la fuerza de la fibra de carbono que
exhiben modos de fracasos mltiples, ciencia y tecnologa, 16, 45-59 de la fibra.

Berger, J.O. (1985), teora de decisin estadstica y anlisis Bayesian (2do ed.), Nueva York:
Saltador-Verlag.

Casella, G., and George, E. I. (1992), "Explaining the Gibbs Sampler," The American
Statistician, 46, 167-174.

Cox, D. R. (1959), "The Analysis of Exponentially Distributed Lifetimes With Two Types of
Failures," Journal of the Royal Statistical Society, Ser. B, 21, 411-421.

Chuck, L., Goodrich, S. M., Hecht, N. L., and Dale, E. M. (1990), "High-Temperature Tensile
Strength and Tensile Stress Rupture Behavior of Norton/TRW NT-154 Silcon Nitride,"
Ceramic Engineering and Science Proceeding, 11, 1007-1027.

David, H. A., and Moeschberger, M. L. (1978), The Theory of Competing Risks (Griffin's
Statistical Monographs & Courses No. 39), London: Charles W. Griffin.

Devroye, L. (1986), Nonuniform Random Variate Generation, New York: Springer-Verlag.

Gelfand, A. E., and Smith, A. F. M. (1990), "Sampling Based Approaches to Calculating


Marginal Densities," Journal of the American Statistical Association, 85, 398-409.

German, S., and German, A. (1984), Stochastic Relaxation, Gibbs Distributions and the
Bayesian Restoration of Images," IEEE Transactions on Pattern Analysis and Machine
Intelligence, 6, 721-740.

Gilks, W. R., and Wild, P. (1992), "Adaptive Rejection Sampling for Gibbs Sampling," Applied
Statistics, 41, 337-348.

Elandt-Johnson, R. C, and Johnson, N. L. (1980), Survival Models and Data Analysis, New
York: John Wiley.

Fiorentine, M., Versace, P., and Rossi, F. (1985), "Regional Flood Frequency Estimation Using
the Two-Component Extreme Value Distribution," Hydrological Sciences Journal, 30, 51-60.

Geweke, J. (1992), "Evaluating the Accuracy of Sampling-Based Approaches to the


Calculation of Posterior Moments," in Bayesian Statistics, 4, eds. J. M. Bernardo et ah,
London; Oxford University Press, pp. 169-193.
Hjorth, U. (1980), "A Reliability Distribution with Increasing, Decreasing, Constant, and
Bathtub-Shaped Failure Rates," Technometrics, 22, 99-107.

Martz, H. F., and Waller, R. A. (1982), Bayesian Reliability Analysis. New York: John Wiley.

Mendenhall, W., and Hadel, R. J. (1958), "Estimation of Parameters of Mixed Exponentially


Distributed Failure Time Distributions from Censored Life Test Data," Biometrika, 45, 504-
520.

Own, S. H., Subramanian, R. V., and Saunders, S. C. (1986), "A Bimedal Lognormal Model of
the Distribution of Strength of Carbon Fibres: Effects of Electrodeposition of Titanium DI
(Dioctyl Pyrophosphate) Oxyacetate," Journal of Materials Science, 21, 3,912-3,920.

Prentice, R. L. (1975), "Discrimination Among Some Parametric Models," Biometrika, 62,


607-614.

Raftery, A. E., and Lewis, S.M. (1992), "How Many Iterations in the Gibbs Sampler?," in
Bayesian Statistics, 4, eds. J. M. Bernardo et al., London: Oxford University Press, pp. 763-
773.

Rajarshi, S., and Rajarshi, M.B. (1988), "Bathtub Distribution: A Review," Communications in
Statistics, Part A--Theory and Methods, 17, 2,597-2,621.

Ritter, C., and Tanner, M.A. (1992), "Facilitating the Gibbs Sampler: The Gibbs Stopper and
the Griddy-Gibbs Sampler," Journal of the American Statistical Association, 87, 861-868.

Roberts, G. O. (1992), "Convergence Diagnostics for the Gibbs Sampler," in Bayesian


Statistics, 4, eds. J. M. Bernardo et al., London: Oxford University Press, pp. 775-782.

Stacy, E. W. (1982), "A Generalization of the Gamma Distribution," The Annals of Statistics,
33, 1,187-1,192.

James O.BERGER and Dongchu SUN *

Sun, D., and Berger, J. O. (1993), "Recent Developments in Bayesian.Sequential Reliability


Demonstration Tests," in Advances in Reliability, ed. A. Basu, Amsterdam: North-Holland,
pp. 379-393.

Berger, James O.^Sun, Dongchu

Cita de fuente (MLA 7.a edicin)


Berger, James O., and Dongchu Sun. "Bayesian analysis for the Poly-Weibull distribution." Journal
of the American Statistical Association 88.424 (1993): 1412+. Academic OneFile. Web. 6 Jan.
2015.
Document URL
http://go.galegroup.com/ps/i.do?id=GALE%7CA185686515&v=2.1&u=espoch_cons&it=r&p=AON
E&sw=w&asid=b465b8019a480aebedf8d04e90f7e87f
Doganaksoy, N. (2004). Weibull Models. Technometrics, 46(4), 485+. Retrieved
from
http://go.galegroup.com/ps/i.do?id=GALE%7CA133859109&v=2.1&u=espoch_
cons&it=r&p=AONE&sw=w&asid=81a4535a1f1f92090c604322c7db54ca
Completo de Texto:
Weibull Modelos, por D.N. PRABHAKAR MURTHY, Min XIE, y Renyan JIANG, Hoboken, NJ:
Wiley, 2004, ISBN 0-471-36092-9, xvi + 383 pgs., $99,95.

Weibull distribucin est uno lo ms frecuentemente de los modelos usados por los
estadsticos y los ingenieros igualmente para representar el tiempo al fracaso de productos.
De hecho, algunos autores utilizan el trmino Weibull anlisis a refiera al campo general
del modelado y del anlisis de datos basados en las estadsticas (Abernethy 1996) de la
confiabilidad. Factores que han contribuido al renombre del Weibull distribucin incluya el
siguiente:

* esto distribucin tiene cierta justificacin terica en teora de valor extremo.

* se ha encontrado para caber los tiempos al fracaso de diversos tipos de productos


razonablemente bien. En algunas reas de aplicacin (e.g., aislamiento, rodamientos
dielctricos), mal una colocacin Weibull distribucin es ms para plantear probablemente
preguntas sobre la validez del grupo de datos que la conveniencia del distribucin a la
situacin a mano.

* los libros de texto modernos en el modelado y el anlisis de los datos de confiabilidad


dedican la considerable atencin a Weibull distribucin y modelos relacionados (e.g., ms
manso y Escobar 1998; Nelson 1990; 2002 sin ley).

* paquetes de programas informticos que facilitan anlisis de datos


usando Weibull distribucin est extensamente - disponible.

Obviamente, hay limitaciones a lo que un estndar Weibull distribucin puede lograr.


Muchos usos del anlisis de datos de la vida del producto implican los modos de fallo
mltiples, mezclas de poblaciones del producto, reparaciones del producto, uso diverso o
condiciones de prueba, y as sucesivamente. Uso indistinto del
estndar Weibull distribucin en estos casos est incorrecto y potencialmente engaoso.
Los modelos nuevos numerosos han sido desarrollados por los estadsticos y los ingenieros
de la confiabilidad para acomodar las circunstancias en las cuales el
estndarWeibull distribucin no trabaja. Este reseas de libro casi 70 tales modelos.

En el prefacio, se explican los objetivos principales del libro como sigue:

* revise la literatura que trata de Weibull distribucin (Captulos 1 y 3-5).

* integre la literatura en los modelos que se relacionan con Weibull distribucin (Captulos
2 y 6-15).

* promueva la utilidad del Weibull diagrama de la probabilidad en la seleccin modelo


(captulo 16).
* destaque el uso del Weibull distribucin y modelos relacionados en la confiabilidad
(captulos 17 y 18).

El libro tiene un estilo formal, acadmico. No incluye ningunas derivaciones o prueba


detalladas. Los resultados principales se acentan junto con referencias amplias (con cerca
de 600 anuncios).

Un comentario detallado de los captulos del libro sigue. El captulo 1 proporciona una
descripcin del libro, una breve cuenta histrica del Weibulldistribucin, y un punto
culminante de aplicaciones de ejemplo en la ingeniera y ciencias fsicas.

El captulo 2 explica la taxonoma propuesta por los autores para agrupar los modelos
relacionados con Weibull distribucin. La taxonoma es lgico y til. Los autores agrupan
los modelos relacionados con Weibull distribucin bajo siete categoras generales:

* mecanografe I, transformacin de Weibull variable: el resultar de los modelos de diversas


transformaciones lineares y no lineales de a Weibull al azar variable (e.g.,
inverso Weibull distribucin)

* tipo II, modificacin/generalizacin de Weibull distribuciones (e.g.,


truncado Weibull distribucin)

* tipo III, modelos que implican dos o ms distribuciones: mezcla modelos, modelos de
riesgo competentes, modelos multiplicativos y modelos seccionales

* tipo IV, Weibull modelo con parmetros diversos: parmetros modelo sa es funciones de
otras variables (e.g., tensin) o de las variables al azar ellos mismos (los modelos Bayesian)

* mecanografe V, discreto Weibull modelos

* tipo VI, multivariante Weibull distribuciones

* tipo VII, modelos de proceso estocsticos de punto: Weibull funcin de la


intensidad, Weibull proceso de renovacin, y ley de poder Weibull modelo de la
renovacin.

Los tres captulos siguientes se dedican a una descripcin de los dos estndar y al tres-
parmetro Weibull distribuciones. El captulo 3 revisa brevemente las caractersticas
bsicas de stos distribuciones. El captulo 4 proporciona un resumen de mtodos
paramtricos y no paramtricos de la valoracin. Mtodos grficos de los presentes del
captulo 5 y pruebas del calidad-de-ajuste usadas para la seleccin modelo y la validacin.

El bulto de la contribucin original del libro se contiene en captulos 6-15. Estos captulos
presentan una descripcin de los modelos relacionados conWeibull distribucin organizado
por la taxonoma descrita en el captulo 2. Antes de que leyera este libro, era familiar con
algunos de estos modelos, pero tambin descubr muy algunos nuevos que estaba
inconsciente de (e.g., el modelo de Stacy-Mihram, el Slymen-Lachenbruch se
modific Weibulldistribucin). Cuento con eso las experiencias de otros lectores sern
paralelo a los mos. El estilo de la presentacin en estos captulos es comparable al de un
manual de estadstico distribuciones (e.g., Johnson, Kotz, y Balakrishnan 1994). Los
modelos son caracterizados generalmente por sudistribucin funciones, funciones del
peligro, momentos, porcentajes, y estadsticas ordinales. Hay muy pocos ejemplos
numricos en estos captulos. Los autores tambin exploran el comportamiento de los
modelos en a Weibull diagrama de la probabilidad (WPP) como medio para la seleccin
modelo para un grupo de datos dado (e.g., datos de la muestra de
a Weibull distribucin se espera a diagrama spero a lo largo de una lnea recta; datos de
lo contrario Weibull distribucin tiene una forma cncava). Dondequiera de mitad de una
pgina a 10 pginas (y ms en algunos casos) se dedica a cada modelo. Estos captulos
servirn como referencia til para alguien interesada en el aprendizaje sobre las
caractersticas bsicas de un modelo particular.

Los tres captulos pasados desplazan el foco a los usos de estos modelos en confiabilidad.
Aqu es donde el libro se distingue de un manual estndar de estadstico distribuciones.

Focos del captulo 16 en la identificacin modelo. Los autores proponen un acercamiento


gradual para encontrar los datos univariantes, continuo-valorados, estadstico
independientes del modelo de la mejor-colocacin (para) de un sistema del candidato de 20
o modelan tan. El acercamiento bsico es comparar el diagrama de WPP de los datos de la
muestra con su comportamiento previsto para cada modelo del candidato caracterizado en
captulos anteriores. El sistema de modelos incluye los dos y el tres-parmetro
estndar Weibull distribuciones; lo contrario Weibull, exponentiatedWeibull, Weibull, y
lo contrario Weibull modelos de la mezcla; Weibull y lo contrario Weibull modelos de
riesgo competentes; y modelos seccionales. Los autores entonces utilizan la suma de
cuadrados residual de los mnimos cuadrticos cabidos al WPP de cada modelo del candidato
para identificar el mejor modelo. Para los grupos de datos grandes, el tirante y los
procedimientos de la validacin cruzada tambin se utilizan como parte de la seleccin
modelo. Tres grupos de datos se utilizan para ilustrar el procedimiento. El proceso gradual se
explica y se ilustra de una manera bastante clara, pero encontr este captulo el carecer en
algn sentido:

* las propiedades estadsticas del procedimiento propuesto (e.g., probabilidad de la


identificacin modelo correcta) no se describen.

* algunos detalles importantes faltan o no son fcilmente obvios (e.g., clculo de las
residuales de los mnimos cuadrticos para las observaciones censuradas respecto a un
WPP).

* me refiero que tal procedimiento podra ser peligroso en las manos de un novato. Las
circunstancias que llevan a algunos de los modelos del candidato son sumamente diferentes.
Por ejemplo, la opcin de una mezcla contra un modelo de riesgo competente se debe dirigir
por su comprensin de la situacin. Un procedimiento de seleccin modelo automatizado (tal
como el que est descrito en este captulo) se podra entonces utilizar para identificar las
formas ms convenientes para los componentes individuales del modelo total. Los autores
proporcionan algunas instrucciones prcticas tiles en la seleccin modelo en el captulo
siguiente, y algunos de esos puntos tambin mereceran la mencin en estos ejemplos.

El captulo 17, modelando fracasos de producto, presenta descripcin de conceptos bsicos


de modelado componente y a nivel sistema. Adems del material usual que uno encuentra
bajo este tema en libros similares (es decir, la tensin-fuerza modela, dao acumulativo,
etc.), los autores tambin discuten instrucciones prcticas para determinar el tipo de modelo
que sera apropiado bajo diversos escenarios:

* a menudo hay variabilidad amplia en componentes de la fabricacin. En este caso, uno


pudo elegir un modelo de la mezcla para modelar los datos.

* para los artculos de consumidor, el modo del uso y el ambiente pueda vare
perceptiblemente a travs de la poblacin consumidora. En este caso, el modelado de
fracasos bajo necesidad de la garanta de tomar en cuenta esto. En este caso, los modelos
con parmetros al azar son ms apropiados modelar fracasos.

Las crticas principales son que la discusin es demasiado breve. Segn lo indicado antes, el
complemento de los ejemplos de la seleccin modelo del captulo 16 con tales instrucciones
sera apropiado.
Captulo 18, confiabilidad de producto y Weibull Los modelos, describen el uso
de Weibull modelos en premanufacturing (es decir, confiabilidad asignacin, prediccin de la
confiabilidad, evaluacin de confiabilidad, prueba, mejora de la confiabilidad), fabricacin (es
decir, variaciones y control de la calidad, muestreo de aceptacin, seleccin del subconjunto,
marcar a fuego), y de postventa (es decir, garantas, mantenimiento). Como el captulo
anterior, esto es un captulo til pero es demasiado breve. Un libro reciente cowritten por el
autor importante sera un recurso til para el estudio adicional en estos temas (Blischke y
Murthy 2000).

Los ejercicios del fin-de-captulo son pensamiento bien hacia fuera. Las preguntas se piensan
para servir como medio para la gua del lector a estudio adicional en los temas que estn
fuera del alcance del libro. Por ejemplo, aunque los ejemplos numricos son escasos
(excepto en grietas. 15 y 17), all son grupos de datos y problemas amplios del anlisis de
datos en el final de los problemas del captulo. Tambin tuve gusto del equilibrio entre los
ejercicios tcnicos y las preguntas conceptuales. Como se esperaba, algunas preguntas son
esencialmente ejercicios matemticos (e.g., muestre que el diagrama de WPP para lo
contrario Weibull es cncavo). Las cuestiones ms avanzadas de esta naturaleza podan
servir posiblemente como temas de investigacin para los estudiantes de tercer ciclo. Hay
tambin muy algunas preguntas no tcnicas causantes de reflexin (e.g., discuta los
diferentes tipos de datos que se generen en cada etapa del ciclo de vida del producto que es
relevante para determinar la confiabilidad del producto) esas yo encontr til.

El libro es generalmente bien escrito y fcil de leer. Podra servir como referencia til a los
mdicos (los estadsticos aplicados y los ingenieros estadstico sofisticados de la
confiabilidad) y a los investigadores (modeladores de la confiabilidad, acadmicos,
estudiantes de tercer ciclo). No es apropiado para alguien nuevo al campo y a buscar una
referencia prcticamente orientada en Weibull distribucin y modelos relacionados.

REFERENCIAS

Abernethy, R.B. (1996), el nuevo Weibull Manual (uno mismo-publicado; Camino de 536
ostras, Palm Beach del norte, FL 33408-4328).

Blischke, W.R., y Murthy, D.N.P. (2000), confiabilidad: Modelado, prediccin, y optimizacin,


Nueva York: Wiley.

Johnson, N.L., Kotz, S., y Balakrishnan, N. (1994), univariante continuo Distribuciones,


Vol. 1 (2do ed.), Nueva York: Wiley.

Sin ley, J.F. (2002), modelos estadsticos y mtodos para los datos del curso de la vida (2do
ed.), Nueva York: Wiley.

Ms manso, W.Q., y Escobar, L.A. (1998), mtodos estadsticos para los datos de
confiabilidad, Nueva York: Wiley.

Nelson, W. (1990), prueba acelerada: Modelos estadsticos, planes de prueba, y anlisis de


datos, Nueva York: Wiley.

Necip DOGANAKSOY

Centro de investigacin global de GE

Doganaksoy, Necip
Khoo, M. B. C., Lai, C. D., Muralidharan, K., & Xie, M. (2007). Weibull model
allowing nearly instantaneous failures. Journal of Applied Mathematics and
Decision Sciences. Retrieved from
http://go.galegroup.com/ps/i.do?id=GALE%7CA178259298&v=2.1&u=espoch_
cons&it=r&p=AONE&sw=w&asid=26ac258e20ee00d895afcf586a24143b
Completo de Texto:
Generalizado Weibull modele que permite instantneo o temprano se modifican los fracasos
para poder expresar el modelo como mezcla del
uniforme distribucin y Weibull distribucin. Propiedades de resultar distribucin se
derivan; particularmente, la densidad de la probabilidad se obtienen la funcin, la funcin de
la supervivencia, y la funcin de la tarifa de peligro. Algunos diagramas seleccionados de
estas funciones tambin se presentan. Una escritura de R fue escrita para caber los
parmetros modelo. Un uso del modelo modificado se ilustra.

1. Introduccin

Muchas generalizaciones y extensiones del Weibull distribucin se han propuesto en la


literatura de la confiabilidad debido a la falta de ajustes del
tradicional Weibull distribucin. Un resumen de estas generalizaciones es dado por Pham
y Lai [1]. Un tratamiento extenso encendido Weibull los modelos son dados por Murthy y
otros [2].

Modificado Weibull distribucin eso permite instantneo o temprano los fracasos son
introducidos por Muralidharan y Lathika [3]. Fue sealado que el acontecimiento de fracasos
(prematuros) instantneos o tempranos en el experimento de prueba de la vida es un
fenmeno observado en componentes electrnicos as como en ensayos clnicos. Estos
acontecimientos pueden ser debido a la calidad inferior, a la construccin culpable, o a la
ausencia de respuesta de los tratamientos.

Se ha mostrado que distribucin puede ser representado como mezcla de un


singular distribucin en cero (o a) y un dos-parmetro Weibull distribucin. Debido a la
naturaleza singular de distribucin, tenemos no podido definir el porcentaje de averas
(tarifa de peligro) funcione significativo. El objetivo de este papel es proporcionar una
modificacin significativa para poder expresar el modelo resultante como mezcla de dos
continuos distribuciones. Esta forma modificada es ms realista como verdad los fracasos
instantneos ocurren raramente. La modificacin permite que establezcamos y que
estudiemos la funcin de porcentaje de averas de este modelo de confiabilidad va
mezcla distribuciones. Tambin proporcionamos algunos diagramas grficos de ilustrar
algunas formas posibles para las funciones de la supervivencia as como las funciones de
porcentaje de averas.

El documento se centra en el casi instantneo caso del fracaso pues tiene menos
parmetros. Este caso especial es ms realista que el caso del fracaso temprano puesto
que muchos productos exhiben fenmeno de la mortalidad infantil debido a los defectos
iniciales.

2. Representacin del modelo

Deje F (t) y R (t) = 1 - F (t) denota el acumulativo distribucin funciona y la funcin de la


supervivencia de la mezcla, respectivamente. Asumimos que F es continua y su densidad sea
dada por f (t) = F (t). El componente distribucin las funciones y sus funciones de la
supervivencia son [F.sub.i] (t) y [R.sub.i] (t) = 1 - [F.sub.i] (t), respectivamente, i = 1, 2. El
porcentaje de averas de un curso de la vida distribucin se define como h (t) = f (t)/R (t)
proporcion la densidad existe.
En vez de si se asume que un fracaso inmediato o temprano para ocurrir en un momento
determinado punto, como en el modelo original de Muralidharan y de Lathika [3], ahora
representamos este modelo como mezcla de una funcin de delta generalizada de Dirac y del
parmetro 2 Weibull en comparacin con una mezcla de un singular distribucin con
a Weibull. As, la modificacin resultante da lugar a una funcin de densidad:

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (2,1)

donde

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (2,2)

para la D. suficientemente pequea. Aqu p > 0 es la proporcin de mezcla.

Observamos eso

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (2,3)

donde [delta] est la funcin (x) de delta de Dirac. Podemos ver la funcin de delta de Dirac
como normal distribucin tener un malo cero y estndar desviacin que tiende a 0. Para un
valor fijo de d, (2,2) denota un uniforme distribucin sobre un intervalo [[t.sub.0],
[t.sub.0] + d] el modelo modificado ahora es tan con eficacia una mezcla de a Weibull con
un uniforme distribucin. En vez de incluir un fracaso instantneo posible en el modelo,
(2,2) tiene en cuenta un posible cerca de fracaso instantneo para ocurrir uniformemente
sobre un intervalo muy de poca monta.

Observe que el caso = 0 corresponde a los fracasos instantneos, mientras que [t.sub.0] [no
igual a] 0 (pero pequeos) corresponde al caso con fracasos tempranos.

Observando de (2,1) y (2,2), vemos que la funcin de densidad de la mezcla no es continua


en [t.sub.0] y [t.sub.0] + D. Sin embargo, ambos distribucin y las funciones de la
supervivencia son continuas.

Escribiendo [f.sub.1] (t) = [[delta] .sub.d] (t - [t.sub.0]) y [EXPRESIN MATEMTICA NO


REPRODUCTIVA EN EL ASCII], [alfa], [lambda] > 0; (2,1) puede ser escrito como

f (t) = p [f.sub.1] (t) + q [f.sub.2] (t), p + q = 1, 0 < p < 1, (2,4)

tan

F (t) = p [F.sub.1] (t) + q [F.sub.2] (t), (2,5)

R (t) = 1 - F (t) = p + q - {p [F.sub.1] (t) + g [F.sub.2] (t)} = p [R.sub.1] (t) + q [R.sub.2]


(t). (2,6)

As, la funcin de la tarifa del fracaso (peligro) de la mezcla distribucin es

h (t) = p [f.sub.1] (t) + q [f.sub.2] (t)/p [R.sub.1] (t) + q [R.sub.2]. (t)

Una mezcla distribucin participacin del parmetro dos 2 Weibull distribuciones se ha


estudiado a fondo en Jiang y Murthy [4]. la mezcla considerada en este papel es ms
compleja en el sentido aqul de la mezcla distribuciones tiene una gama finita que plantee
algunos desafos.

Va (2,4) observaciones simuladas de este modelo son hechos generando variantes


aleatorias uniformes y Weibull variantes aleatorias con las proporciones p y q = 1 - p,
respectivamente.

3. Funcin de la supervivencia y funcin de porcentaje de averas del modelo


Recientemente, los ndices de fracaso de mezclas se discuten muy extensivamente. Lai y yo
[5, seccin 2,8] proporcionamos un buen resumen. Segn lo demostrado por el bloque y
otros [6], las diversas formas de las funciones de porcentaje de averas pueden presentarse
con una mezcla de porcentaje de averas cada vez mayor dos distribuciones. Ahora,
a Weibull tiene un porcentaje de averas (de disminucin) cada vez mayor si su parmetro a
de la forma es mayor (ms pequeo) que 1. El uniformedistribucin tambin tiene un
aumento porcentaje de averas si ha uniforme terminado [0, a]. As estamos interesados
saber qu formas resultaran de nuestro modelo.

Las funciones de la confiabilidad (supervivencia) del componente


respectivo distribuciones se dan cerca

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (3,1)

Los ndices de fracaso son, respectivamente,

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (3,3)

[h.sub.2] (t) = [alfa] [lambda] [([lambda] t).sup. [alfa] - 1]. (3,4)

Puede ser mostrado (2,4) y (2,6) se para de cualquier mezcla de dos


continuos distribuciones, la funcin de porcentaje de averas se puede expresar como

h (t) = f (t)/R (t) = w (t) [h.sub.1] (t) + [1-w (t)] [h.sub.2] (t), (3,5)

donde w (t) = p [R.sub.1] (t)/R (t) para todo el t [mayor o igual] 0. En nuestro caso,

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (3,6)

con

w (t) = w (t) [1 - w (t)] {[h.sub.2] (t) - [h.sub.1] (t)}. (3,7)

(Nota que la ecuacin (3,7) es vlida para todos los casos). Tambin una diferenciacin
simple muestra eso

h (t) = w (t) [h.sub.1] (t) + w (t) [h'.sub.1] (t) - w (t) [h.sub.2] (t) + [1 - w (t)] [h'.sub.2]
(t). (3,8)

Ahora, w (t) [h.sub.1] (t) = p [R.sub.1] (t)/R (t) x [f.sub.1] (t) [R.sub.1] (t) = p [f.sub.1]
(t)/R (t), as que (3,5) est bien definida para todo el t > 0.

Expresin resumida para R (t) y h (se da t), respectivamente, como

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (3,9)

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (3,10)

Recuerde que h (t) es discontinua en t = [t.sub.0] y t = [t.sub.0] + D. A diferencia del


modelo de Muralidharan y de Lathika [3], la funcin de la supervivencia es sin embargo no
diferenciable continuo en t = [t.sub.0] y t = [t.sub.0] + D.

[CUADRO 4,1 OMITIDO]

4. Caso casi instantneo del fracaso ([t.sub.0] = 0)


Considere un caso especial del modelo (2,1) por el que [t.sub.0] = 0. El modelo se puede
llamar Weibull con el modelo del fracaso casi instantneo.

En este caso, (3,3) se simplifica dando el porcentaje de averas del


uniforme distribucin como

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (4,1)

y (3,1) se da su funcin de la supervivencia como

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (4,2)

Weibull el modelo con el fracaso casi instantneo que ocurre uniformemente sobre [0, d]
tiene

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (4,3)

[EXPRESIN MATEMTICA NO REPRODUCTIVA EN ASCII] (4,4)

Grficos de la supervivencia, de la densidad, y del fracaso Rate Functions. Los diagramas


grficos son importantes para envejecerdistribuciones. No es el objetivo de este papel para
presentar termine las caracterizaciones para la supervivencia, la densidad, y las funciones de
porcentaje de averas. En lugar, las fotos se toman de algunas formas posibles de este
modelo, pues es importante identificar si el modelo es til para los grupos de datos
especficos para los cuales los diagramas empricos estn disponibles.

[CUADRO 4,2 OMITIDO]

[CUADRO 4,3 OMITIDO]

Considere detalladamente el caso especial cuando [t.sub.0] = 0, es decir, Weibull con casi
el modelo instantneo del fracaso.

Funciones de densidad. En ambos cuadros 4,1 y 4,2, tres funciones de densidad con p = 0,2,
0,5, y 0,8 se trazan. En todas las figuras, la proporcin de mezcla ms pequea p es dada
por la lnea llena.

[CUADRO 4,4 OMITIDO]

[CUADRO 4,5 OMITIDO]

Funciones de la supervivencia. Las funciones de la supervivencia son dadas por las figuras
4,3 y 4,4 que corresponden a las funciones de densidad en los cuadros 4,1 y 4,2,
respectivamente.

Funciones de porcentaje de averas. La funcin de porcentaje de averas h (t) se da como


adentro (4,4). Claramente, su forma es lo mismo que Weibull porcentaje de averas
despus de la D. As nos centramos en el segmento a partir de la 0 a la D. Puesto que el
parmetro de la escala [lambda] no altera la forma, se fija a una. El cuadro 4,5 muestra que
h (t) puede aumentar, la disminucin, o la baera formada para 0 [inferior o igual] 5 t
[inferior o igual] D.

De los diagramas, puede ser visto que la funcin de porcentaje de averas del modelo da
lugar a varias diversos formas y topetones; esto se espera como
mezclndose distribuciones con un componente distribucin eso tiene una gama finita
cause a menudo algunos problemas. Aunque la segunda parte pueda ser cada vez mayor o
de disminucin, el primer segmento puede alcanzar diversas formas. Este hallazgo es
constante con el bloque y otros [6].

5. Colocacin de los datos y un uso


Mezcla distribuciones se utilizan extensamente en las estadsticas literatura. Bebbington y
otros [7] ha utilizado una mezcla de dos generalizados Weibull distribuciones para caber
datos humanos de la mortalidad. Una mezcla distribucin pueda d lugar a diverso
porcentaje de averas que puede proporcionar as la pseudo-demarcacin de diversas fases
de una vida til. Uso de Bebbington y otros [7] tambin su mezcla distribucin para
identificar las diferencias entre las poblaciones (sub).

Mientras que software para la mezcla apropiada distribuciones est disponible, por ejemplo
el paquete de la MEZCLA para el ambiente de R (Macdonald [8]), tales paquetes no manejan
el uniforme distribuciones, o mezclas de desemejante distribuciones.

Para caber el modelo a un grupo de datos, una escritura de R fue escrita. Uno puede escribir
un cdigo en R para caber los 4 parmetros (p, [lambda], [alfa], d) y otra para caber 3
parmetros (p, [lambda], [alfa]) con d dada y se sostuvo fijo. El segundo caso trabaja
siempre, y trabaja muy bien, pero el primer nunca da buenos resultados cuando el borde del
uniforme (el parmetro d) est dentro del pico del Weibull (comunicacin personal con
profesor Macdonald). Esto es porque no hay bastante informacin en los datos para caber el
4to parmetro en esta situacin. En la prctica, el valor de d se puede estimar manualmente
muy exactamente del grupo de datos.

5.1. Uso. Una muestra de 40 tableros de bosque fue comprobada para saber si hay su
sequedad en un rea particular de un tablero. Las observaciones reales eran grados de
sequedad medidos como porcentaje. Este grupo de datos era analizado en Muralidharan y
Lathika [3] con [t.sub.i] = 0, i los = 1,2,, los 28 y las otras observaciones positivas es
como sigue: 0,0463741, 0,0894855, 0,4, 0,42517, 0,623441, 0,6491, 0,73346, 1,35851,
1,77112, 1,86047, 2,12125, 2,12389.

Tratando el grado de sequedad como el tiempo de fracaso, aplicamos Weibull modele con
fracasos casi instantneos modelan a estos datos (vase el cuadro 5,1).

Es razonable separar los ceros uniformemente sobre un intervalo [0, d). Para el ejemplo,
seleccionamos d = 0,135 de modo que [t.sub.1] = 0, [t.sub.2] = 0,0005, [t.sub.3] = 0,00
1,, [t.sub.28] = 0,0135. Aplicando el mtodo de MLE en R, encontramos el siguiente para
ver el cuadro 5,2.

Parece a nosotros que los tamaos de errores estndar de las tres estimaciones son
razonables debido a un pequeo tamao de muestra.

Puesto que el parmetro de la forma [??] = 1,16 y el hecho de que tres parmetros se estn
estimando de pocos puntos de referencias, sera ms realista especificar [alfa] = 1 a priori
(es decir, un exponencial) como caso especial del Weibull modelo. Esto reducira el nmero
de parmetros y por lo tanto la incertidumbre en las estimaciones del parmetro. El cuadro
5,3 resume las estimaciones del parmetro de la mezcla exponencial con el modelo
uniforme.

Nota. v1 consiste en de medidas del grupo de datos original. Los 28 ceros adentro v1
entonces estn calibrados para extenderse por uniformemente encima [0, d]. v2 es formado
substituyendo las primeras 28 clulas de v1 por los valores calibrados.

Observamos de la tabla precedente que la precisin para la segunda estimacin del


parmetro deteriora realmente en comparacin con Weibull caso. Quizs los criterios de
informacin de Akaike (AIC) o el Bic seran una manera ms objetiva de evaluar esta
comparacin.

5.2. Anlisis de sensibilidad. En la colocacin modelo antedicha, hemos elegido d


manualmente y se elige el valor d = 0,0135 porque est suficientemente aparte del primer
valor observado no nulo 0,0463741. Hemos evaluado la sensibilidad de la seleccin del
parmetro D. Para los fracasos instantneos caso, dejamos d variar entre 0,01 y 0,04; las
estimaciones resultantes y sus errores estndar son virtualmente sin cambios. Sin embargo,
llega a ser sensible cuando d est demasiado cercana t = 0 o al primera Weibull tiempo de
fracaso t = 0,0463741. Si d se fija a 0,135, las estimaciones del parmetro entonces son
dadas por [??] = 0,7497827, [??] = 1,8827550, y 1 [??] = 0,7327841 que indican que estas
estimaciones cambian perceptiblemente mientras que d usurpa en Weibull territorio.
Tambin muestra eso para este valor de d, el modelo con el uniforme que se mezcla con la
poder exponencial ms larga sea una alternativa porque la estimacin para el parmetro de
la forma [alfa] ahora est cerca de 2.

6. Conclusin

Weibull distribucin ha sido ampliamente utilizado como modelo de la vida adentro usos
de la confiabilidad. Sin embargo, uno encuentra a menudo que no cabe bien en la parte
anterior de una vida til por diversas razones. Particularmente, en los casos donde estn
presente los defectos de la inicial que causa fracasos tempranos, Weibull distribucin se
encuentra inadecuado para modelar tal fenmeno. El modelo propuesto del
modificado Weibull mezcla con un uniforme distribucin para modelar el primer la fase de
una vida til debe proporcionar una alternativa til.

Apndice

Cdigo de R para caber el modelo

v1<-rep (0,40)
v1 [29:401<-c (0,0463741, 0,0894855, 0,4, 0,42517, 0,623441, 0,6491,
0,73346, 1,35851, 1,77112, 1,86047, 2,12125, 2,12389) v2 < - c (0,
0,0005, 0,001, 0,0015, 0,002, 0,0025, 0,003, 0,0035, 0,004, 0,0045, 0,005, 0,0055,
0,006, 0,0065, 0,007, 0,0075, 0,008, 0,0085, 0,009, 0,0095, 0,01, 0,0105, 0,011,
0,0115, 0,012, 0,0125, 0,013, 0,0135, 0,046374, 0,089486, 0,4, 0,42517, 0,623441,
0,6491, 0,73346, 1,35851, 1,77112, 1,86047, 2,12125, 2,12389)

<-cbind del uniweib (v1, v2)

neglluniweib<-funcin (p, x, d) {
pp<-p [1]
shape<-p [21
rate<-p [3]
si (pp>0 y shape>0 y rate>0 y pp<1) {
- suma (registro (pp*dunif (x, 0, *dweibull de d)+ (1 - pp) (x, forma,
1/rate)))
} {
1e+200
}
}

uniweibmle < - funcin (d, apoyo, forma, tarifa, x) {


p<-c (apoyo, forma, tarifa)
fit<-nlm (neglluniweib, p=p, x=x, d=d, hessian=T)
fit$se<-sgrt (diag (solucione (fit$hessian)))
ajuste [c (1,2,7,3,4,5,6)]

}
uniweibmle del uniweibmle (0,0135, 0,1, 2,1, v1) (0,0135, 0,1, 2,1, v2)
Reconocimientos

Privilegian al primer autor para haber sido un ex-estudiante y un colega de profesor Jeff
Hunter, que ha sido una inspiracin a muchos. Los autores lo desean bien en su retiro. Los
autores son muy agradecidos a profesor Peter Macdonald que les ayud para escribir una
escritura de R para el modelo y a los rbitros para sus comentarios tiles. Los autores
tambin desean reconocer al Dr. K. Govindaraju para que su ayuda mejore la calidad de las
figuras.

27 de abril de 2007 recibido; 8 de agosto de 2007 aceptado recomendado por Paul


Cowpertwait

Referencias

[1] H. Pham y C.D. Lai, en generalizaciones recientes del Weibull distribucin,


transacciones de IEEE en la confiabilidad, vol. 54, no. 3, pgs. 454-458, 2007.

[2] D.N.P. Murthy, M. Xie, y R. Jiang, Weibull Modelos, Wiley Serie en probabilidad y
estadsticas, John Wiley y hijos, Hoboken, NJ, los E.E.U.U., 2004.

[3] K. Muralidharan y P. Lathika, anlisis de fracasos instantneos y tempranos


adentro Weibull distribucin; Metrika, vol. 64, no. 3, pgs. 305-316, 2006.

[4] R. Jiang y D.N.P. Murthy, mezcla de Weibull distribuciones- caracterizacin


paramtrica de la funcin de porcentaje de averas, Modelos estocsticos y anlisis de datos
aplicados, vol. 14, no. 1, pgs. 47-65, 1998.

[5] C.D. Lai y M. Xie, envejecimiento estocstico y dependencia para la confiabilidad,


saltador, Nueva York, NY, los E.E.U.U., 2006.

[6] comportamiento de H.W. Block, de Y Li, y de T.H. Savits, inicial y final de las funciones
de porcentaje de averas para las mezclas y los sistemas, diario de la probabilidad aplicada,
vol. 40, no. 3, pgs. 721-740, 2003.

[7] M. Bebbington, C.D. Lai, y R. Zitikis, modelando mortalidad humana usando mezclas de
baera formaron fracasodistribuciones, Diario de la biologa terica, vol. 245, no. 3, pgs.
528-538, 2007.

[8] el P.D.M. Macdonald, MEZCLA para el ambiente de R, distribuy por los SISTEMAS de
DATOS de ICHTHUS, http://www.math.mcmaster.ca/peter/mix/mix.html.

C.D. Lai: Instituto de las ciencias de la informacin y de la tecnologa, universidad de


Massey, Palmerston del norte, Nueva Zelanda

Direccin de correo electrnico: c.lai@massey.ac.nz

Michael B.C. Khoo: Escuela de ciencias matemticas, Universiti Sains Malasia, 11800 Pulau
Pinang, Malasia

Direccin de correo electrnico: mkbc@usm.my

K. Muralidharan: Departamento de estadsticas, el Maharaj Sayajirao University de Baroda,


Vadodara 390 002, la India

Direccin de correo electrnico: lmv-murali@yahoo.com

M. Xie: Departamento de la ingeniera industrial y de sistemas, universidad nacional de


Singapur, Singapur 119077
Direccin de correo electrnico: mxie@nus.edu.sg

CUADRO 5,1. Fracasos instantneos en [t.sub.i] = 0, i = 1,2,, 28.

[??] [??] 1 [??]

Estimaciones 0,6999992 1,1929632 0,9315360 errores estndar


0,07244318 0,28878116 0,23615878

CUADRO 5,2. Extensin del uniforme casi de los tiempos de fracaso instantneos.

[??] [??] 1 [??]

Estimaciones 0,6981846 1,1656527 0,9431262 errores estndar


0,07292797 0,30176818 0,24822803

CUADRO 5,3. Exponencial con casi fracasos instantneos:


d = 0,0135.

[??] 1 [??]

v1-estimates (SE) 0,6959071 (0,0734413) 1,0031716 (0,2896755) v2-estimates


(SE) 0,6959356 (0,07343414) 1,0033558 (0,28970177)
Lai, C.D.^Khoo, Michael B.C.^Muralidharan, K.^Xie, M.

Cita de fuente (MLA 7.a edicin)


Khoo, Michael B.C., et al. "Weibull model allowing nearly instantaneous failures." Journal of
Applied Mathematics and Decision Sciences (2007). Academic OneFile. Web. 6 Jan. 2015.
Corzo, O., & Bracho, N. (2009). Aplicacion del modelo de Weibull
normalizado en la deshidratacion osmotica de laminas de sardina. Revista
Cientfica de la Facultad de Ciencias Veterinarias, 19(4), 400+. Retrieved from
http://go.galegroup.com/ps/i.do?id=GALE%7CA331688320&v=2.1&u=espo
ch_cons&it=r&p=AONE&sw=w&asid=613329c8bd16772f1e65f53fdf8926ed
Conocer la cinetica de deshidratacion osmotica de un alimento y los factores que la
afectan son aspectos importantes para disenar un adecuado proceso. En este trabajo se
investigo la aplicacion del modelo de Weibull normalizado para describir la
deshidratacion osmotica de laminas finitas de sardina y determinar el coeficiente de
difusion efectivo del agua. La deshidratacion osmotica se realizo durante 4 horas
utilizando salmueras de diferentes concentraciones (0,15-0,27 g NaCl/g) y
temperaturas (30-38[grados]C). Durante el proceso se midio el contenido de agua en
las laminas y estos valores se ajustaron al modelo de Weibull normalizado. Los altos
valores del coeficiente de regresion ([R.sup.2] > 0,99), la alta significancia ([alfa] <
0,001) para el coeficiente de difusion (D) y el parametro [beta], y los bajos valores del
ji-cuadrado reducido, indicaron la aceptabilidad del modelo para describir el proceso y
determinar el coeficiente de difusion efectivo [D.sub.e] del agua. Los valores de D
variaron entre 1,01 x [10.sup.-11] [m.sup.2]/s y 4, 30 x [10.sup.-11] [m.sup.2]/s.

Palabras clave: Deshidratacion osmotica, modelo de Weibull, coeficiente de difusion,


simulacion, ley de Fick, sardina.

Knowledge of kinetics of osmotic dehydration of a food and factors that cause effects
are aspects import for the appropriate design of process. In this work the application of
normalized Weibull model was investigated for describing the osmotic dehydration (OD)
of sardine finite sheets and determining the effective diffusion coefficient for water. The
OD was carried out during 4 hours using brine at different concentrations (0.15-0.27 g
NaCl/g) and temperatures (30-38[degrees]C). During process the water content of
shhets was measured and these values were fitted to normalizedWeibull model. The
high values of regression coefficients ([R.sup.2] > 0.99), high significance ([alpha] <
0.001) of diffusion coefficient (D), parameter [beta], and low values of chi-square
indicated the acceptability of Weibull model for describing the process and determining
the effective diffusion coefficient [D.sub.e] for water. The values of D ranged from 1.01
x [10.sup.-11] [m.sup.2]/s to 4.30 x [10.sup.-11] [m.sup.2]/s.

Keywords: Osmotic dehydration, Weibull model, diffusion coefficient, simulation, Fick's


law, sardine.

Texto completo:
Application of Normalized Weibull Model in the Osmotic Dehydration of Sardine Sheets

INTRODUCCION

La deshidratacion osmotica es un proceso que consiste en la inmersion del alimento


solido, ya sea entero o en piezas, en soluciones acuosas de alta concentracion en
azucares y/o sales para provocar al menos dos flujos principales, simultaneos y en
contracorriente: el flujo de agua desde el alimento hacia la solucion y la transferencia
simultanea de soluto desde la solucion hacia el alimento. Estos flujos se deben a los
gradientes de concentracion del agua y soluto existentes a un lado y otro de las
membranas que forman el tejido del alimento [33]. Durante el proceso, los contenidos
de agua y de soluto en el alimento cambian hasta lograr un contenido en equilibrio con
la solucion osmotica.
La cinetica de la perdida de agua se ha modelado considerando la ley de difusion de Fick
[1, 2, 6-8, 22, 25, 30, 31], relaciones empiricas como el modelo de Peleg [10, 31], y
modelos probabilisticos como el de Weibull [20, 25, 26, 31]. El modelo de Fick
proporciona una vision de la importancia mecanistica del fenomeno observado, pero
sacrifica la precision de lo representado debido a que no se consideran las
incertidumbres [28] y ademas requiere de un cierto esfuerzo matematico para su
aplicacion. Los modelos empiricos y probabilisticos se basan en la representacion
matematica de lo observado, cubren algunas de las imprecisiones del modelo de Fick y
son de aplicacion mas sencilla. La idea basica del modelo deWeibull es considerar el
proceso como una caja negra, variando las condiciones de los factores que entran en
ella, midiendo las cantidades que salen de ella y derivando las correlaciones adecuadas.

El modelo de Weibull se ha utilizado para describir, entre otras, la cineticas de:


eliminacion por alta presion de Bacillus subtilis [23], rehidratacion de cereales para el
desayuno [25, 26], perdida de agua durante la deshidratacion osmotica de alimentos
[13], resistencia termica del Bacillus cereus [15], y germinacion de esporas del Bacillus
cereus [9]. Se han realizado algunos intentos para utilizar el parametro de escala del
modelo de Weibull como un indicador del mecanismo (difusion, relajacion) de entrada
de agua durante la rehidratacion [13, 27, 31], lo cual ha dado origen al modelo
de Weibullnormalizado [28]. Este modelo fue propuesto para relacionar el parametro
de escala del modelo de Weibull con el coeficiente de difusion del agua durante la
rehidratacion de frutas deshidratadas y facilitar su determinacion. No hay informacion
sobre el uso del modelo de Weibull normalizado en la deshidratacion osmotica de
productos vegetales y carnicos, por lo tanto es importante estudiar su aplicabilidad en
este proceso para diferentes productos alimenticios.

El objetivo de este trabajo fue aplicar el modelo de Weibull normalizado para predecir
el contenido de agua y determinar el coeficiente de difusion del agua en laminas finitas
de sardina, durante la deshidratacion osmotica a diferentes temperaturas y
concentraciones de la solucion osmotica.

MATERIALES Y METODOS

Preparacion de las muestras

Se utilizaron sardinas (Sardinella aurita) frescas capturadas en la zona de Pampatar,


Isla de Margarita, estado Nueva Esparta, Venezuela, de 15-20 cm de largo y 30-35
g/sardina de peso. Las sardinas se filetearon manualmente y luego los filetes se
cortaron en laminas de 20,1 [+ o -] 0,4 mm de largo, 15,0 [+ o -] 0,6mm de ancho y
6,4 [+ o -] 0,9 mm de espesor. Se determinaron los contenidos de agua y sal en la
sardina fresca, por cuadruplicado.

Deshidratacion osmotica

Se formaron al azar, cuatro grupos experimentales, formados por cuatro laminas cada
uno. Cada grupo experimental se coloco en una celda de cuatro compartimientos con el
objeto de evitar la interferencia entre las laminas. Los cuatro grupos se introdujeron
simultaneamente en una solucion osmotica de concentracion y temperaturas dadas para
someterlos a deshidratacion osmotica con agitacion magnetica constante. Luego, cada
grupo se extrajo a intervalos de 1 hora por grupo. Las laminas deshidratadas se
escurrieron durante 5 min, secaron superficialmente con papel absorbente y se les
determino el contenido de agua y sal. Este procedimiento se efectuo a las condiciones
correspondientes segun un diseno experimental factorial completo 5x5x4 por las
temperaturas, concentraciones y tiempos de 30; 32; 34; 36 y 38[grados]C; 0,15; 0,18;
0,21; 0,24 y 0,27 g NaCl/g y 1; 2; 3 y 4 h, respectivamente.
Metodos de analisis

Contenido de agua: El contenido de agua se determino colocando las laminas en estufa


a vacio marca Precision, modelo 19 (Pacific Combustion Engineering, EUA, 1995) a 0,1
mm Hg y 60[grados]C hasta tener peso constante [3].

Contenido de sal: El contenido de sal (g NaCl/g) se determino por el metodo Mohr [3].

Solucion osmotica

La salmuera (solucion osmotica) se preparo, segun la concentracion seleccionada,


utilizando sal como soluto, y se mantuvo una proporcion entre el liquido y la masa de
las laminas de sardina de 20:1 para evitar cambios en la concentracion de la solucion
durante el proceso de deshidratacion. La solucion osmotica se deposito en un recipiente
rectangular forrado en anime para su aislamiento termico, dotado de un cabezal de
calentamiento marca Julabo, modelo MB, de precision [+ o -] 0,02[grados]C, y
agitacion magnetica, con la finalidad de que la temperatura y la concentracion se
mantuvieran constantes y homogeneas en toda la masa de la solucion osmotica.
Durante el proceso de deshidratacion osmotica se monitoreo la concentracion de sal
utilizando el metodo de Mohr [3] y se controlo la evaporacion colocando una tapa
metalica para cubrir las dos terceras parte de la superficie abierta del bano
termostatazo marca Julabo, modelo SW-20C (Julabo Labortechnik GmbH, Alemania,
2000).

Modelo de Weibull

El modelo de Weibull describe el comportamiento de sistemas o eventos que tienen


algun grado de variabilidad [13, 14], tal como la cinetica de la deshidratacion osmotica.
La funcion de densidad de la distribucion de probabilidad de Weibull se puede escribir
como [21]:

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] (1)

siendo [alfa] el parametro de escala, [beta] el parametro de forma, y t el tiempo de


muestreo.

Si se considera que: 1) [n.sub.i] corresponde a la fraccion de un componente dado C,


que cambia desde un valor inicial ([C.sub.0]) hasta un valor de equilibrio ([C.sub.e]),
en un tiempo t = [alfa], y 2) el tiempo requerido para alcanzar un cierto valor de ni esta
representado por la variable continua y aleatoria T, con una funcion de densidad de la
probabilidad f(t), donde f(t) es la funcion de distribucion de Weibull, luego n(t) se
puede definir como la probabilidad de tener una cierta fraccion de C en, al menos, un
tiempo especificado t, bajo condiciones experimentales especificas [14]. Por lo tanto:

n(t) = P(T > t) = [[integral].sup.[infinito]]f(u)du = 1 - F(t) = exp [-


[[t/[alfa]].sup.[beta]]] (2)

siendo F(t) la distribucion acumulativa correspondiente.

La fraccion del contenido de agua durante la deshidratacion osmotica se puede expresar


como:

N(t) = [Z - [Z.sub.e]]/[[Z.sub.0] - [Z.sub.e]] = exp [-[[t/[alfa]].sup.[beta]]] (3)


siendo Z, [Z.sub.e] y [Z.sub.0] los contenidos de agua en la fase liquida al final de un
tiempo t, en equilibrio e inicial, respectivamente, [alfa] el parametro de escala del
modelo, [beta] el parametro de forma del modelo, y t el tiempo de deshidratacion o
muestreo.

Los contenidos de agua en la fase liquida de la sardina se pueden calcular segun Fito y
Chiralt [16]:

Z = [X.sub.a]/[[X.sub.a] + [X.sub.s]] (4)

siendo [X.sub.a] y [X.sub.s] los contenidos de agua y sal en la sardina.

El modelo de Weibull fue normalizado [27, 28] para relacionar el parametro de escala
con el coeficiente de difusion de agua (D) en la rehidratacion de frutas cortadas en
laminas infinitas:

[[X.sub.w] - [X.sub.we]] /[[X.sub.w0] - [X.sub.we]] = exp[-


[t/[[alfa].sub.n]].sup.[beta]]] = exp[-[[tD/ [L.sup.2]].sup.[beta]]] (5)

siendo [X.sub.w], [X.sub.we] y [X.sub.wo] los contenido de agua al cabo de un tiempo


t, en el equilibrio e inicialmente, [[alfa].sub.n] es el parametro de escala normalizado, D
el coeficiente de difusion del agua, t el tiempo de deshidratacion, y L la mitas del
espesor de la lamina.

Para el caso de la deshidratacion osmotica de las laminas finitas de sardina se puede


escribir como:

[Z - [Z.sub.w]]/[[Z.sub.0] - [Z.sub.e]] = y = exp[-[[t/[[alfa].sub.n]].sup.[beta]]] =


exp[-[tD[1/[a.sup.2] + [1/[b.sup.2]] + [1/[c.sup.2]]]].sup.[beta]]] (6)

siendo a la mitad del largo, b la mitad del ancho y c la mitad del espesor de la lamina
de sardina, cuando la difusion ocurre en todos los lados de la lamina.

El coeficiente de difusion efectivo del agua ([D.sub.e]) esta relacionado con el


coeficiente de difusion calculado por el modelo normalizado de Weibull, segun la
expresion [28]:

[D.sub.e] = D/[R.sub.g] (7)

siendo [R.sub.g] el coeficiente de forma geometrica.

Con el fin de encontrar el valor de [R.sub.g] en la deshidratacion osmotica de la sardina


se considero la difusion en un paralelepipedo recto-rectangulo (lamina finita) de largo
2a, ancho

2b y espesor 2c, para simular las condiciones existentes en el proceso teorico y como
base para la comparacion. La solucion a la ley de Fick para la difusion en una lamina
finita corresponde a [12, 24]:

Y = [Z - [Z.sub.e]]/[[Z.sub.0] - [Z.sub.e]] = [8/[[pi].sup.2]] [n=[infinito].suma de


(n=0)] [1/[(2n + 1).sup.2]] exp - [(2n + 1).sup.2] [[pi].sup.2] [D.sub.e]t
[[1/[a.sup.2]] + [1/[b.sup.2]] + [1/[c.sup.2]]] (8)

Para simular condiciones realistas, se introdujeron los errores al azar tomados de una
poblacion con distribucion normal, con media igual a cero, y diferentes valores de la
desviacion estandar [4, 28]:
[Y.sub.ruido] = [Y.sub.teorico] [1+(DE)([Z.sub.n])] (9)

siendo DE la desviacion estandar (%) y [Z.sub.n] es una variable aleatoria con


distribucion normal estandar, [Z.sub.n] ~ N(0,1).

Para la simulacion se tomaron valores: 1) de 2,5% para la desviacion estandar que es la


comunmente esperada en el proceso de deshidratacion osmotica, 2) entre [10.sup.-10]
y [10.sup.-12] [m.sup.2]/s para el coeficiente de difusion efectiva caracteristicos en
alimentos deshidratados [17-19, 34], y 3) entre 18 y 22 mm para el largo, entre 14 y
16 mm para el ancho y entre 5,6 y 7,2 mm para el espesor de la lamina, que son los
rangos para las dimensiones de las laminas de sardina utilizadas en la deshidratacion
osmotica.

Analisis estadistico

Los parametros de los modelos se estimaron utilizando la regresion no lineal. Para


evaluar la bondad del ajuste de los datos experimentales al modelo
de Weibull normalizado, se utilizo el coeficiente de determinacion ([R.sup.2]) y el ji-
cuadrado reducido ([ji al cuadrado]) expresado [2]:

[ji al cuadrado] = [N.suma de (i=1)] [[[Y.sub.i] - [Y.sub.pi]].sup.2]/[N - n] (10)

siendo [Y.sub.i] y [Y.sub.pi] los valores experimentales y predichos por el modelo, N el


numero de datos experimentales y n el numero de constantes del modelo.

Los efectos de la concentracion y temperatura de la solucion osmotica sobre los


parametros del modelo de Weibullnormalizado se determinaron mediante un analisis de
varianza y pruebas de comparacion de medias segun LSD con un 95% de confianza.
Todos los analisis se efectuaron utilizando el paquete estadistico SPSS 10,0 [32].

RESULTADOS Y DISCUSION

Simulacion

Los resultados de la regresion no lineal utilizada para la simulacion (Ec. 9) se presentan


en la TABLA I. El coeficiente de determinacion ([R.sup.2] > 0.99) y el error estandar
asintotico (EEA) de los parametros derivados D y [beta], indican el buen ajuste del
modelo de Weibull normalizado a los datos simulados.

Como el coeficiente de difusion de los diferentes alimentos varia dentro del rango
[10.sup.-10] a [10.sup.-12] [m.sup.2]/s, se usaron estos valores para estudiar su
efecto en los parametros derivados del modelo de Weibull normalizado. La TABLA I
muestra que el coeficiente de difusion tiene muy poco efecto sobre la relacion
([R.sub.g]) entre el coeficiente de difusion calculado y el coeficiente de difusion teorico
o efectivo utilizado para la simulacion. Resultados similares se encontraron en la
rehidratacion de alimentos particulados [28] considerando la difusion en una sola
direccion (lamina infinita). Se hace evidente, por lo tanto, la necesidad de analizar si el
valor de [R.sub.g] varia cuando el fenomeno de la difusion ocurre por todos los lados
del alimento, lamina finita, tal como es el caso del presente estudio.

Para estudiar los efectos de las dimensiones largo, ancho y espesor de las laminas de
sardina sobre el valor de [R.sub.g], sesimulo el proceso variando una de las
dimensiones caracteristicas, manteniendo constantes las otras dos y el coeficiente de
difusion teorico. Los resultados de la simulacion se muestran en las TABLAS II-IV. Se
puede ver que los valores de [R.sub.g] practicamente no varian al cambiar estos
factores, manteniendo constante el coeficiente de difusion teorico, por lo tanto, el valor
de [R.sub.g] se puede utilizar para cualquier forma geometrica del alimento.
Con base en lo anteriormente senalado se puede decir que el modelo
de Weibull normalizado se puede aplicar para determinar el coeficiente de difusion
efectivo del agua en laminas de sardina cortadas entre 18 y 22 mm de ancho, entre 14
y 16 mm de largo y entre 5,6 y 7,2 mm de espesor, cuando se deshidratan
osmoticamente en salmueras de concentraciones entre 0,15 y 0, 27 g NaCl/g a
temperaturas entre 30 y 38[grados]C.

Aplicabilidad del modelo

Los resultados de la regresion no lineal usada para ajustar los valores experimentales al
modelo de Weibull normalizado (Ec. 6) se muestran en la TABLA V. Los valores de
[R.sup.2] (> 0,98), de la significancia ([alfa] < 0,001) de los parametros derivados D y
[beta], y de [ji al cuadrado] (<1,0 x [10.sup.-6]) indicaron un buen ajuste de los datos
experimentales, confirmando la aplicabilidad del modelo de Weibull normalizado en la
descripcion de la deshidratacion osmotica. La idea basica de la caracterizacion empirica
del proceso es considerarlo como una transformacion, en la cual se varian las
condiciones de entrada, se miden las caracteristicas de salida y se derivan las
correlaciones adecuadas. En este sentido el modelo de Weibull normalizado es capaz de
superar algunas imprecisiones en los modelos deterministicos debido a la existencia de
incertidumbres.

Los valores del coeficiente de difusion calculado por la Ec. 6 fueron del orden de
[10.sup.-10] (TABLA V) por lo tanto el valor de [R.sub.g] fue tomado igual a 13,2 de
acuerdo con los resultados de la simulacion (TABLAS II-IV). Utilizando la Ec. 7 se
calculo el coeficiente de difusion efectivo del agua el cual vario entre 1,01 x [10.sup.-
11] [m.sup.2]/s y 4,30 x [10.sup.-11] [m.sup.2]/s (TABLA V). Estos valores son
similares a los obtenidos aplicando la ley de Fick para laminas de sardina deshidratadas
osmoticamente [11], y estan dentro del rango esperado ([10.sup.-10] a [10.sup.-12]
[m.sup.2]/s) para alimentos deshidratados [5, 17-19, 34]. Los valores dependen de los
tipos y condiciones de los procedimientos experimentales utilizados para su
determinacion, de los metodos de tratamiento de los datos y de la complejidad de los
alimentos [34]. El analisis de varianza mostro que el valor del coeficiente difusion

efectivo ([D.sub.e]) dependia significativamente (P<0,05) de la concentracion y


temperatura de la solucion osmotica, y que en general, [D.sub.e] aumentaba al
incrementarse la concentracion y la temperatura. A mayor concentracion de la solucion
osmotica, se incrementa la fuerza impulsora que difunde el agua a traves de la
membrana de la sardina debido al mayor gradiente de presion osmotica entre el
alimento y el medio osmotico (salmuera) [11, 16]. A mayor temperatura, se disminuye
la viscosidad de la solucion osmotica facilitando asi la movilidad de las moleculas de
agua desde el alimento a la salmuera [11].

Los valores del parametro de forma ([beta]) calculados por la ecuacion 6, variaron entre
0,44 y 0,66 (TABLA V). Este parametro esta relacionado con la velocidad de
transferencia de masa al principio del proceso, por lo tanto si el valor de 5 es bajo, mas
rapida es la velocidad y viceversa [26]. Los valores encontrados indican que en la
deshidratacion osmotica de la sardina la transferencia de masa al principio del proceso
es mayor a altas concentraciones y temperaturas de la salmuera. El fenomeno del
transporte de agua es complejo y depende de los diferentes mecanismos tales como la
capilaridad, difusion y relajacion de la matriz solida, como de la porosidad del alimento
[29]. Los valores del parametro de forma para la deshidratacion osmotica de la sardina
serviran de comparacion para futuros estudios en otras especies marinas.

CONCLUSIONES
El modelo de Weibull normalizado describe la cinetica de variacion del contenido de
agua durante la deshidratacion osmotica de laminas finitas de sardina, en salmueras de
concentracion entre 0,15 y 0,27 g NaCl/g y temperatura entre 30 y 38[grados]C. Este
modelo es sencillo en su aplicacion y elimina las incertidumbres presentes en los
modelos mecanisticos. El coeficiente de forma geometrica para el caso de la
deshidratacion osmotica es una constante igual a 13,2 e independiente del valor de las
dimensiones de la lamina. Igualmente este modelo permite determinar el coeficiente de
difusion efectivo del agua durante el proceso, que es una caracteristica de la
transferencia de masa necesaria para el diseno de la operacion unitaria estudiada.

Recibido: 09/10/2007. Aceptado: 27/10/2008.